矩阵奇异值分解与照片压缩、去噪

奇异值分解(SVD)是用于非方阵矩阵特征描述的方法,尤其适用于照片压缩和数据去噪。在照片压缩中,通过保留前几个最大奇异值,可以大幅降低存储需求,同时保持图像可识别性。对于去噪,SVD能有效识别并过滤掉较小奇异值对应的噪声,提高数据纯净度。此外,SVD在机器学习中也有用途,用于减少大样本数据的运算量和数据去噪。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

#从特征值分解引入
我们知道矩阵的特征值分解是提取矩阵特征的一个方法,

这里写图片描述

其中v是一个一维矩阵,λ是特征值,代表v表示的矩阵特征的重要性。

但矩阵的特征值分解有一个局限性,在于变换的矩阵必须是方阵。

奇异值分解

现实世界中大部分矩阵都不是方阵,这时如果我们想描述矩阵的特征,就要用到奇异值分解。

这里写图片描述
假设A是一个N * M的矩阵,那么得到的U是一个N * N的方阵(里面的向量是正交的,U里面的向量称为左奇异向量),Σ是一个N * M的矩阵(除了对角线的元素都是0,对角线上的元素称为奇异值),V’(V的转置)是一个N * N的矩阵,里面的向量也是正交的,V里面的向量称为右奇异向量),从图片来反映几个相乘的矩阵的大小可得下面的图片
这里写图片描述

其中,Σ中对角线上的每个元素就是奇异值,在很多情况下,前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上了。也就是说,我们也可以用前r大的奇异值来近似描述矩阵,这里定义一下部分奇异值分解:

这里写图片描述

r是一个远小于m、n的数,如此

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值